搜索到的最佳因子池在哪个结果文件，如何读入python？

[jingmouren]

你好，
是否最后一个checkout的json里是最佳因子池
如何将json里的字符串因子读入python成可执行的expr，以验证因子计算，对比论文中的结果，
及进一步利用这些因子？

[Nick-houyi]

+1，期待回复

[xuehongyanL]

直接eval就可以了。这个方法会得到因子的Expression和对应的权重：

from alphagen.data.expression import *
from alphagen_generic.features import *

def load_alpha_pool(raw) -> Tuple[List[Expression], List[float]]:
    exprs_raw = raw['exprs']
    exprs = [eval(expr_raw.replace('$open', 'open_').replace('$', '')) for expr_raw in exprs_raw]
    weights = raw['weights']
    return exprs, weights

因子的线性组合暂时可以参考QLibStockDataCalculator类的实现。

[xuehongyanL]

See THIS METHOD.

[jingmouren]

exprs加载成功了。得到的计算结果是个2301 * 644的向量，怎么对应这个向量的每个元素对应的哪天哪支股票
data是2431天，max_back*_data是100，和这的2301对不上
csi300每天应该是300个左右，和这的644也对不上啊

直接eval就可以了。这个方法会得到因子的Expression和对应的权重：

from alphagen.data.expression import *
from alphagen_generic.features import *

def load_alpha_pool(raw) -> Tuple[List[Expression], List[float]]:
    exprs_raw = raw['exprs']
    exprs = [eval(expr_raw.replace('$open', 'open_').replace('$', '')) for expr_raw in exprs_raw]
    weights = raw['weights']
    return exprs, weights

因子的线性组合暂时可以参考QLibStockDataCalculator类的实现。

[xuehongyanL]

数据中的股票是所有时间的csi300的并集。

可以使用StockData::make_dataframe(data)将向量转换为更可读的pandas dataframe，其中包含日期和股票代码

[jingmouren]

那每天的归一化是对并集的644支股票作的吗，好像有bug？

数据中的股票是所有时间的csi300的并集。